molfeat
分子特徴量化ワークフローの構築
分子MLの作業では、チームが特徴量化器を選択、設定、比較する必要があると、進行が遅くなりがちです。このスキルは、Claude、Codex、Claude Codeが、フィンガープリント、記述子、事前学習済み埋め込み、QSARモデル、バーチャルスクリーニング向けのmolfeatワークフローを構築するのを支援します。
インストール前に停止して確認を求めてください。
計画を確認し、ファイルを変更する前にユーザーの明示的な同意を得てください。
自分のエージェントでインストール
このリクエストをエージェントにコピーしてください。正規の Skill ページとマニフェストが含まれています。
Review the Skillstore skill "molfeat" from https://skillstore.io/skills/davila7-molfeat.md and its manifest at https://skillstore.io/api/skills/davila7-molfeat/manifest. Verify the artifact. Stop and obtain explicit user consent before installing or changing files.エージェントは引き続き計画を提示し、セキュリティポリシーで必要な確認を求める必要があります。
エージェントが読めるリソース
AI エージェント、クローラー、スクリプトがページ全体ではなく整理されたコンテキストを必要とする場合は、これらのリンクを使ってください。
テストする
「molfeat」を使用しています。 ユーザーが、高速なQSARベースラインにどのmolfeat表現を使うべきか尋ねる。
期待される結果:
このスキルは最初のベースラインとしてECFPを推奨し、半径とサイズの選択を説明し、記述子や事前学習済み埋め込みが役立つ場合を示します。
「molfeat」を使用しています。 ユーザーが、ときどき無効な分子を含む大規模なSMILESファイルを処理する必要がある。
期待される結果:
このスキルは、再現可能な特徴量生成のために、バッチ処理、並列ジョブ、無効な分子の処理、設定保存の方針を示します。
「molfeat」を使用しています。 ユーザーが、ChemBERTa特徴量を従来型フィンガープリントと比較評価したい。
期待される結果:
このスキルは、一貫した分割、実行時間の追跡、モデルキャッシュ、予測タスクに適した指標を含む比較計画を提案します。
セキュリティ監査
高リスクAll 96 static findings are false positives caused by Markdown syntax, benign local cache writes, molecule-validation language, and passive documentation links. However, two examples use pickle.load without authenticity checks, creating a high-severity code-execution risk if a cache file is replaced or untrusted.
確認済みのセキュリティ上の懸念 (1)
リスク要因
📁 ファイルシステムへのアクセス (2)
⚙️ 外部コマンド (50)
🌐 ネットワークアクセス (4)
このレポートを共有・引用
バージョン付き評価レポート、中立的なバッジ、埋め込みカード、引用を共有できます。Skillstore は証拠を報告しますが、この Skill が安全かどうかは判断しません。
レポートリンクをコピー
https://skillstore.io/skills/davila7-molfeat/audits/10?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdownバッジ
[](https://skillstore.io/skills/davila7-molfeat?utm_source=security_passport_badge)HTMLバッジ
<a href="https://skillstore.io/skills/davila7-molfeat?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-molfeat/security.svg" alt="Skillstore security assessment" loading="lazy"></a>埋め込みカード
<iframe src="https://skillstore.io/embed/skills/davila7-molfeat.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>学術引用 (APA · BibTeX · CFF)
APA形式の引用
davila7. (2026). molfeat security audit report (audit version 10) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-molfeat/audits/10BibTeX形式の引用
@techreport{davila7-davila7-molfeat-2026,
author = {davila7},
title = {molfeat security audit report (audit version 10)},
institution = {Skillstore},
year = {2026},
number = {10},
url = {https://skillstore.io/skills/davila7-molfeat/audits/10},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "molfeat security audit report (audit version 10)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-molfeat/audits/10"
identifiers:
- type: other
value: "skillstore:davila7-molfeat:audit:10"
description: "Skillstore immutable audit report identifier"
バリアントを比較
インストール可能なバリアント 2 件各作者のスキルは個別のインストール項目として維持されます。推奨バリアントは Skillstore の証拠で順位付けされます。
このバリアントが首位の理由
Skillstore スコア
このスコアの理由 証拠の信頼度: 中作成できるもの
QSAR特徴量パイプラインの作成
物性予測モデルを学習する前に、フィンガープリントまたは記述子向けの再現可能なmolfeat設定を構築します。
化合物ライブラリのスクリーニング
分子特徴量を準備し、候補化合物をランク付けし、スクリーニング実行向けの高速なフィンガープリント選択肢を比較します。
分子埋め込みの比較
従来型の記述子を、事前学習済みのChemBERTa、ChemGPT、GIN、Graphormer表現と比較評価します。
これらのプロンプトを試す
QSARベースライン用のSMILES文字列があります。molfeatの特徴量化器を推奨し、主なトレードオフを説明してください。
50,000件のSMILESに対して、無効な分子の処理と再現可能な設定ファイルを含むmolfeatバッチ特徴量化計画を作成してください。
私の回帰タスク向けに、ECFP、MACCS、RDKit記述子、Mordred、ChemBERTaを比較してください。検証と実行時間に関する考慮事項を含めてください。
molfeatを使ったバーチャルスクリーニングワークフローを設計してください。ECFP、MAP4、ChemBERTaを比較し、その後に評価指標とキャッシュ戦略を定義してください。
ベストプラクティス
- 低速な事前学習済み埋め込みを追加する前に、高速なフィンガープリントから始めます。
- 再現可能な実験のために、特徴量化器の設定と依存関係のバージョンを保存します。
- モデルを学習する前に、分子入力を検証し、失敗したSMILESを追跡します。
回避
- 異なる訓練分割とテスト分割で特徴量化器を比較しないでください。
- 無効な分子がいくつ失敗したかを記録せずに無視しないでください。
- 単純なベースラインをテストする前に、高コストな事前学習済みモデルを使用しないでください。
よくある質問
molfeatは何に使われますか？
このスキルはQSARモデルに役立ちますか？
事前学習済み分子モデルをサポートしていますか？
このスキルはmolfeatを自動で実行しますか？
molfeatには通常どのような入力が必要ですか？
規制対象のモデル判断にはこれで十分ですか？
開発者情報
作成者
davila7ライセンス
MIT
Skillstore リビジョン
r2
バージョンに関する注意
作者はバージョンを宣言していません。
参照
c43861a65bb95efcae259cd161c9d6f4dc7eec6f
メンテナンスの新しさ
2026/7/24
利用状況
6 ダウンロード · 209 閲覧
ファイル構成